Académique Documents
Professionnel Documents
Culture Documents
PAIX-TRAVAIL-PATRIE PEACE-WORK-FATHERLAND
UNIVERSITE DE DSCHANG
UNIVERSITY OF DSCHANG
ECOLE DOCTORALE POST GRADUATE SCHOOL
THEME :
PHYSIQUE
OPTION :
ELECTRONIQUE-ELECTROTECHNIQUE-AUTOMATIQUE
CYCLE
MASTER II RECHERCHE.
ECRIT PAR :
CM-UDS-19SCI0557
SOUS LA COORDINATION DE :
Pr TCHAYA
2023/2024
1
Table de matière
1 Présentation du sujet / du contexte de la recherche. ____ 3
2 Motivation sur le choix du sujet. __________________ 4
3 Revue critique sommaire de la littérature ___________ 5
4 Hypothèse de la recherche_______________________ 6
5 L’objectif général et les objectifs spécifiques de la
recherche _____________________________________ 6
5.1 Objectif général ____________________________ 6
6 Un aperçu du cadre théorique et conceptuel __________ 7
7 Brève présentation du modèle ____________________ 7
8 Intérêts (théorique et pratiques) de la recherche ______ 7
9 Résultats escomptés ___________________________ 8
10 Une bibliographie indicative. ___________________ 8
2
1 Présentation du sujet / du contexte de la recherche.
3
à croissance la plus rapide. Elle englobe une branche d’ingénierie diversifiée [11]. Au
cours des dernières années la production d’énergie éolienne a décuplé.
Pour cela, pour cela de nombreux pays d’Afrique en particulier le Cameroun et les pays
de monde ont lancé un programme ambitieux de développement des énergies
renouvelables et d’efficacité énergétique, adopté depuis 2022 par le Gouvernement
Camerounais. Ce choix stratégique est motivé par l'énorme potentiel de l'énergie
solaire. Cette énergie est l'axe principal du programme dédié au solaire thermique et
au photovoltaïque solaire comme partie essentielle. L'énergie solaire devrait atteindre
d'ici 2030 plus de 10% de la production nationale d'électricité. En dépit d’un potentiel
relativement faible, ce programme n'exclut pas le vent, qui occupe la deuxième place
dans ce plan de développement énergétique et dont la part devrait être d'environ 3%
de la production d'électricité en 2030. Afin donc e pouvoir utiliser cette énergie il est
donc préférable de le traiter au préalable avant de l’injecter dans les réseaux de
distribution pour voir l’utiliser. A cette effet plusieurs convertisseur on vue le jour
permettant le traitement et le contrôle optimal de cette énergie telle que les commande
par MPPT … etc.
Mais cette méthode s’avère avoir des limites parmi lesquelles les conditions
météorologiques flottante, l’implémentation temps réel assez pénible […]. Pour palier
donc à cette limite, et pour garantir une production en énergie éolienne mondial
meilleur dans le domaine de la production d’une énergie optimal quel que soit les
conditions météorologiques (variation du vent), de faire une étude approfondie et
réalisable sur l’utilisation du deep-Learning dans l’amélioration de la commande mppt
pour l’optimisation de l’énergie électrique (puissance).
4
3 Revue critique sommaire de la littérature
La multiplication des éoliennes a conduit les chercheurs en génie électrique à mener
des investigations de façon à améliorer l’efficacité de la conversion d’énergie éolienne
et la qualité de l’énergie fournie par les systèmes de conversion du vent. Deux types de
systèmes de conversion du vent peuvent être envisagés.
Tout d'abord, le système de conversion est fourni à partir d’une vitesse
constante du vent. L'éolienne à vitesse fixe génère une puissance très fluctuante
vers le réseau, ce qui perturbe le système d'alimentation. Ce type de turbine nécessite
également une conception mécanique robuste pour absorber les contraintes
mécaniques élevées [4].
Le second type concerne le système de conversion alimenté par une vitesse
de vent variable à partir de laquelle le générateur est équipé d'un
convertisseur électronique de puissance, puis connecté au réseau. Par
rapport au premier système de conversion, le second présente de nombreux
avantages tels que de bonnes performances MPPT (Maximum Power Point Tracking),
un système de découplage robuste entre la production et la fréquence du réseau, ainsi
qu'une bonne flexibilité entre les deux en termes de contrôle et de fonctionnement
optimal [5] et enfin une meilleure efficacité pour contrôler les contraintes
mécaniques avec un coût réduit [13]. Pour ces raisons, les éoliennes à vitesse variable
sont actuellement les plus utilisées et dominent le marché actuel [6, 14].
En ce qui concerne le type de générateurs, de nombreux types de générateurs
électriques sont utilisés dans les systèmes de conversion d’énergie éolienne à vitesse
fixe ou variable.
nous évoquerons ici les technologies les plus répandues dans l’industrie éolienne : les
générateurs asynchrone à cage d’écureuil (GACE), les générateurs synchrones à
aimants permanents (PMSG) [8, 9], et les générateurs asynchrones à double
alimentation (GADA) équipés d'un convertisseur électronique AC-AC de puissance [15,
16].Concrètement, les systèmes de générateur asynchrone sont de plus en plus utilisés
pour plusieurs raisons telles que leur simplicité de modélisation, leur fiabilité et leur
capacité à extraire une puissance maximale sur une large plage de vitesses de vent. De
plus, leurs commandes de puissance active et réactive sont totalement découplées par
un contrôle indépendant des courants du rotor [17]. Les objectifs d'une loi de
commande d'une éolienne à vitesse variable sont basés sur [4]:
* Génération de la puissance maximale en dessous de la puissance nominale dans les
vents faibles ; Maintien d’une puissance de qualité satisfaisante au-dessus de la
puissance nominale (à vents forts) ;Minimisation des efforts exercés sur les pales du
rotor et sur le dispositif d'entraînement.
5
présenté dans [20]. Malheureusement, les stratégies de contrôle évoquées ci-dessus
nécessitaient un modèle linéaire dans lequel la robustesse par rapport aux incertitudes
des systèmes ne peut être garantie en raison de la forte dynamique non
linéaire des SCEE. A cet égard, les contrôleurs de synthèse basés sur la stratégie de
commande à structure variable ont été suggérés afin d'éviter les inconvénients cités ci-
dessus. Les contrôleurs obtenus ont la capacité de maximiser la puissance du
générateur asynchrone et de superposer le suivi de la
valeur du couple électromagnétique optimal [21, 22]. Cependant, un inconvénient
commun à toutes ces stratégies apparaît dans l'étape de définition de la composante de
commutation. Pour contourner ce problème, plusieurs techniques ont été proposées
afin de réduire l'effet de la composante de commutation telles que la fonction tangente
hyperbolique et d'autres lois de contrôle continu dans lesquelles la fonction de signe
est substituée [22, 23]. Au cours des dernières années, le contrôle par
la logique floue (FLC) a été largement combiné avec l'approche conventionnelle pour
contrôler les SCEE non-linéaires [24,25]. Afin d'extraire la puissance maximale du
WECS, l'objectif du contrôle peut être formulé comme un problème d'optimisation et
il existe une certaine difficulté à trouver les paramètres du
contrôleur.
Les problèmes d'optimisation peuvent être résolus en utilisant des méthodes
d'optimisation méta-heuristiques. Certaines de ces approches incluent l'algorithme
génétique (GA) [26], l’algorithme de recherche bactérienne (BF) [27], l'évolution
différentielle (DE) [28], l'algorithme de recherche gravitationnelle (GSA) [29],
l'optimisation des essaims de particules [30,31], l'algorithme Firefly (FA) [32], et la
recherche de coucou (CS) [33]. L'optimisation des loups gris (GWO) est un algorithme
méta-heuristique récemment développé, inspiré de la hiérarchie de leadership et du
mécanisme de chasse des loups gris dans la nature [34]. GWO a été appliqué avec
succès pour résoudre les problèmes d'optimisation
d’ingénierie [35,36].
Avec donc tout c’est recherches porter sur les techniques et les lois de commandes et
d’optimisation, nous constations que la technique mppt est de moins en moins utiliser
dans les systèmes éoliennes comparer à leurs application dans les systèmes
photovoltaïques. Ainsi La portée générale de ce travail est d'étudier le deep Learning
afin d’améliorer la commande mppt pour optimiser la production de l’énergie éolienne.
4 Hypothèse de la recherche
Les hypothèses que nous considérons dans notre travaille sont les suivants :
- Les faibles variations modérer du vent
- Une accumulation maximale de l’énergie au niveau des palles.
6
5.2 Objectifs spécifiques
Pour atteindre les objectifs fixés de ce projet, nous devrons définir certaines bases
à savoir et à maitriser :
Les bases la physique des semi-conducteurs, les bases des méthodes numériques, la
physique optique (l’optoélectronique), les techniques d’analyse et d’apprentissage, les
outils mathématiques, les bases de ma programmation, et les techniques de simulation
numériques et les techniques de programmation et réalisation des systèmes
embarquées. Les maitrises des moteurs synchrones et asynchrones et la maitrise des
techniques de contrôle.
Le système éolienne est une technique qui à exploiter la force du vent afin de produire
de l’énergie électrique. Ce système est constitué de plusieurs éléments qui régissent son
fonctionnement c’est-à-dire l’extraction, le traitement et l’utilisation. Mais leur
développement rencontre un véritable problème au niveau du traitement qui est le
véritable nœud. Afin de mieux exploiter de façon très efficace cette énergie produite
par ces éoliens, nous allons améliorer la méthode du point maximal de puissance
(MPPT) développer dans les systèmes solaires combiné à l’intelligence artificiel afin
d’optimiser la production d’énergie produite par ce dernier et doter d’une grande
prédiction.
7
Maitrise des logiciels de simulations (MATLAB-SIMULINK,
PSPICE, PROTEUS, EAGEL, PICSIM, FRITSING);
Maitrise des logiciels de programmations (MATLAB,
PITHON, CODE BLOCKS, MCU DEV, MPLAB, ARDUINO,
MIKROC PRO) ;
Maitrise des logiciels de conception et de façonnage (CNC JS,
INSKAP, BLENDER, PAINT, FLATCAM, COPERCAM).
Maitrise des bases d’électronique, de traitement du signal, analyses
numérique, connaissance de la langue Anglaise,
Maitrise des outils d’implémentations en temps réel des circuits
électroniques et de programmations
etc.
9 Résultats escomptés
[1] https://www.nationalgeographie.fr/environnement/tout-comprendre-sur-les-energies-renouvelables
[2] Valipour, M (2015). A comprehensive study on irrigation management in Asia and Oceania.
Archives of Agronomyand Soil Science;61(9):1247–1271.
[3] Valipour , M (2015). Future of agricultural water management in Africa. Archives of
Agronomy and Soil
Science;61(7):907–927.
[4] Valipour, M (2014). Drainage, water logging, and salinity. Archives of Agronomy and Soil
Science; 60
(12):1625–1640.
[5] Valipour, M (2012). Comparison of surface irrigation simulation models: full hydrodynamic,
zero inertia,
kinematic wave. Journal of Agricultural Science ;4:68-74.
[6] Yannopoulos, S.I., Lyberatos, G., Theodossiou, N., Li, W., Valipour, M., Tamburrino, A.,
Angelakis,
A.N (2015) . Evolution of water lifting devices (pumps) over the centuries world- wide. Water
;7(9):5031–5060.
[7] Saravanan, S., Babu, N.R (2016). Maximum power point tracking algorithms for photovoltaic
system–A
review. Renew Sustain Energy Rev;57:192–204.
8
[8] Renewables: global status report 2016.
[9] Renewables: global status report 2017.
[10] Ibrahim, H., Ghandour, M., Dimitrova, M., Ilinca, A., Perron, J (2011) .Integration of wind
energy into
electricity systems: technical challenges and actual solutions. Energy ;6:815–824.
[11] Pao, L.Y., Johnson, K.E (2009). A tutorial on the dynamics and control of wind turbines and
wind farms. In: Proceedings of IEEE American control conference; 2076–2089.
[13] Kumar, Y., Ringenberg, J., Depuru, S.S., Devabhaktuni, V.K., Lee, J.W., Nikolaidis, E.,
Andersen, B.,
Afjeh, A (2016). Wind energy: Trends and enabling technologies. Renew Sustain Energy Rev
;53:209–
224.
[14] Saravanan, S., Babu, N.R (2016). Maximum power point tracking algorithms for photovoltaic
system–A review. Renew Sustain Energy Rev;57:192–204.
[15] Strantzali, E., Aravossis, K (2016).Decision making in renewable energy investments: a review.
Renew
Sustain Energy Rev ;55:885–898.
[16] Ibrahim, H., Ghandour, M., Dimitrova, M., Ilinca, A., Perron, J (2011) .Integration of wind
energy into
electricity systems: technical challenges and actual solutions. Energy ;6:815–824
[17] Aidoud, M., Sedraoui, M., Lachouri, A., Boualleg, A (2016). A robustication of the two degree-
offreedom controller based upon multivariable generalized predictive control law and robust H∞
control for a doubly-fed induction generator. Trans Inst Meas Control. First Published 1 Nov 2016.
[18] Van Wingerden, J.W., Hulskamp, A., Barlas, T., Houtzager, I., Bersee, H., van Kuik, G.,
Verhaegen, M
(2011) . Two-degree-of-freedom active vibration control of a prototyped “smart” rotor. IEEE Trans.
Cont.
Sys. Tech, 19: 284-296.
[19] Boukhezzar, B., Lupu, L., Siguerdidjane, H., Hand, M (2007) . Multivariable control strategy for
variable speed, variable pitch wind turbines. Ren. Energy, 32: 1273-1287.
[20] Abdeddaim, S., Betka, A., Drid, S., Becherif, M (2014) .Implementation of MRAC controller of
a DFIG based variable speed grid connected wind turbine. Ener. Conv. Management, 79: 281-288.
[21] Martinez, M.I., Tapia, G., Susperregui, A., Camblong, H (2012) . Sliding-mode control for DFIG
rotorand grid-side converters under unbalanced and harmonically distorted grid voltage. IEEE Trans.
Ener. Conv, 27: 328-339.
[22] Soufi, Y., Kahla, S., Bechouat, M (2016) . Particle swarm optimization based sliding mode
control of variable speed wind energy conversion system. Inter. Jour. Hyd. Ener, 41(45): 20956-
20963.
[23] Chen, D., Liu, S., Ma, X (2013) . Modeling, nonlinear dynamical analysis of a novel power
system with
random wind power and it's control. Energy, 53:139-146.
[224] Tang, Y., Zhang, X., Zhang, D., Zhao, G., Guan, X (2013). Fractional order sliding mode
controller
design for antilock braking systems. Neuro comp, 111: 122-130.
[24] Pan, L., Voos, H., Pan, Y., Li, Y., Xu, Y., Darouach, M., Li, Z (2015) . A class of Improved
Wake
Interaction Model for the coordinated control of wind farms. IEEE Chinese Automation Congress
(CAC),
Wuhan, Hubei Province, China, 1322-1327.
[25] Pan, L., Voos, H., Pan, Y., Darouach, M (2016) . Generalized wake interaction models and
optimal
9
control in wind farms. The 28th IEEE Chinese Control and Decision Conference (CCDC 2016), in
Yinchuan, China, 6020 - 6025.
[26] Bechouat, M., Soufi, Y., Sedraoui, M., Kahla, S (2015) . Energy storage based on maximum
power
point tracking in photovoltaic systems: A comparison between GAs and PSO approaches. Inter. Jour.
Hyd. Ener, 40(39): 13737-13748.
[27] Kahla, S ., Soufi, Y., Sedraoui, M., Boutaghane, A., Boussiala, B., Thelaidjia, T (2014) . Sliding
Mode
Control Based Bacterial Foraging Optimization of Wind Energy Conversion Systems. The 4th
International Conference on Welding, Non Destructive Testing, Materials and Alloys Industry
(ICWNDT-MI’14).
10